基于演化计算的LLM派生控制策略演化：用于住宅EV充电与车网能源优化
神经与进化计算
2026-02-10 v1
摘要
本研究提出了一种将演化计算应用于住宅电动车（EV）能源管理领域的新方法。虽然强化学习（RL）在车网（V2G）优化中通常实现高性能，但其产生的通常是难以理解的“黑箱”神经网络，难以供应商和监管机构审计。为弥合这一可解释性差距，我们提出了一种程序搜索框架，利用大型语言模型（LLM）作为迭代提示-评估-修复循环中的智能变异算子。该系统利用高保真EV2Gym仿真环境作为适应度函数，经过一系列持续的细化循环以合成可执行的Python控制策略，这些策略在盈利最大化、用户舒适度和物理安全约束之间进行权衡。我们对比评估了四种提示策略：模仿、推理、混合和运行，评估其发现自适应控制逻辑的能力。结果表明，混合策略能够产生简洁、可读性强的启发式方法，实现盈利的118%，有效发现如预测性套利和滞后等复杂行为，无需显式编程。该工作确立了LLM驱动的演化计算作为生成EV充电控制策略的实用方法，这些策略具有透明、可审计的特性，适用于实际住宅部署。
引用
@article{arxiv.2602.07275,
title = {Evolving LLM-Derived Control Policies for Residential EV Charging and Vehicle-to-Grid Energy Optimization},
author = {Vishesh Purnananda and Benjamin John Wruck and Mingyu Guo},
journal= {arXiv preprint arXiv:2602.07275},
year = {2026}
}